创业其实是件有门槛的事情，是有很多已有的规律、科学的概念和通用的方法论的，而且这些东西越到后期就越能显现出其差异化的价值。

（一）：CAC、LTV、PBP

42章经开篇的第一篇文章 “哪怕融到了钱，公司也做不到我说的这些事，我为自己撒下的谎感到恶心。”（“哪怕融到了钱，公司也做不到我说的这些事，我为自己撒下的谎感到恶心。” - Everything about a startup - 知乎专栏）中就提到过，过去一两年全球资本市场最大的一个问题，就是用毛利换增长。很多投资人和创业者都一味的把用户数或销售额的增长当做判定一家公司发展好坏的首要标准，结果就是大量创业公司在没有验证好商业模式的情况下就盲目扩张，最后的结局就是半道崩殂。
为什么会有投资人愿意把钱给创业者去烧？在毫无盈利模式的前提下，创业者讲的是一个怎样动听的故事？这里就要提到今天我们所说的这三个最基本的要素，甚至可以说一切的生意（或故事）都离不开的这三个词——CAC、LTV、PBP。
CAC 是 Customer Acquisition Cost 的缩写，意思是“用户获取成本”。
LTV 是 Life Time Value 的缩写，意思是“用户的终身价值”。
PBP 是 Payback Period 的缩写，意思是“回收期”。
假设一家创业公司为了获取客户而提供免费上门洗车的服务，而每次洗车的成本（算上人工和交通成本等）是30元（纯猜测），那么这家公司的CAC，即用户获取成本就是30元。而这家公司的创始人很可能跟投资人讲的故事是：
“我通过损失30元获取来的客户，未来会持续的在我这里花钱洗车，而且因为我们和客户建立了联系与信任，这个客户以后的保养、维修、保险什么的跟车有关的消费都会发生在我的平台上，而后续的这些服务能够带来的收入是每个用户3000元，又假设毛利率是10%的话，赚到的钱平均加在一起合理的猜测是300元（纯意淫），也就是说每个用户我花30元，带回来300元，净赚270元。所以我今天要融资300万，去除工资等必须花费，剩下的钱还可以用来获取5万用户，这样每个用户能赚300元的话，就产生了1500万的潜在收入，怎么样，是不是很诱人？！所以赶快投资我吧！”
这里的每个用户未来能够贡献的300元毛利，就是LTV，即“用户的终身价值”。当然，这只是一个超级简化的版本，实际上创始人还要回答很多投资人会考虑的问题，比如复购率、流失率、用户获取渠道等等，但归根结底投资人看的就是，一家公司花出去的钱，能不能带来更大的回报，哪怕这个回报相对来讲是长期的，也就是说，到底这家公司的LTV是否能够大于CAC。
在这个问题上，最近两年画饼最成功的（到目前为止也确实做的很好的）一家公司叫滴滴。通过大量出租车补贴带来用户，然后发展专车，又推出快车、顺风车、巴士、代驾等新的互联网出行方式，再到试水新车销售、保险销售等等，说不定未来还会有什么二手车销售、游艇销售、房车销售……总之，其未来会发展一切与出行有关的生意，那么这里的LTV潜力简直高到不行，所以投资人们愿意把大量的钱砸在CAC上，做补贴，抢用户，就是这个道理。
当然，虽然洗车公司和滴滴讲的故事略微类似，但重点在于谁的“切入点”更靠谱。之所以那么多洗车平台都死掉了，就是因为他们讲的故事都缺失了很重要的一环，那就是用户留存低、服务拓展性弱。出租车出行是刚需、供给有限，且可以自然延伸到专车和代驾等出行市场，洗车却几乎是处处反面。
故事讲完了，我们再一起具体看下CAC、LTV和PBP的科学的计算方式。

CAC看似简单，就是获取一个用户的成本，但其实也有几个要注意的地方：
一）当你花费了1000元在两个广告渠道上（各500元），一个渠道带来0个客户，一个渠道带来5个客户，那么有的人会用500元除以5个客户数，得出自己的用户获取成本是100元，而忽略了另外无效的部分。但其实应该是用1000元的总花费除以5个客户数，得出每个用户的获取成本为200元。这个金额才是你为了带来每个用户所花费的最真实的成本，也是之后预算的基础。
二）若你某一段时间的用户增长为100人，共花费了1000元的渠道费用，那么你的用户获取成本也许不是10元，因为这100人里也许有自然增长的成分，并不都是通过1000元的渠道费用而来。举例来说，像足迹这类现象级的用户增长，如果不把自然增长和渠道增长分开，那么最后得出的结果一定是非常有误导性的。
所以总的来说，CAC应该是总的市场相关的花费（甚至应该包括销售、市场人员的工资等）除以总的对应花费带来的所有新用户数，而且这里的CAC是一个平均值，如果你使用了不同的渠道，那么每个渠道都会有一个自己的CAC，这里就有很多可以对比优化的空间。
可以看到，哪怕只是简单的CAC也有非常多的学问和维度，所以在创始人、FA、VC、PE之间，其实可能是有很多坑或不同的表达方式的。现在很多投资人只会问你用户获取成本是多少，连他们都不会把各种渠道和各种情况分析的那么透彻，于是这里就可能存在DD（尽职调查）不到位的问题。当然，最可怕的还是创始人自己概念不清，而采取了错误的发展策略。

LTV本身的复杂性和预判难度就会高一些。
简单来讲，如字面意思，LTV就是获取的用户能够为公司带来的总价值。但在计算的时候也有如下问题需要注意：
首先，很多人用“收入”来计算LTV是错误的，LTV应该用毛利来计算，因为你要衡量的是你花出去的钱到底能不能赚回来，所以要用真正赚到手的钱来计算。
其次，计算LTV要考虑到用户的流失率，即必然不是所有用户都会一直使用一家公司提供的某种服务。（如果公司在一月份获得的100家客户，在二月份仅剩下90家，则月流失率（Churn Rate）为10%，相对应的留存率为90%）。当然对于留存率来说还有一个复杂的Cohort Analysis表格来专门分析，也不是那么简单的，这在本系列之后的文章中会专门介绍。
最后，如果要把用户购买频次或客单价的变化也考虑进来，就会变得非常复杂和难以准确判断了。（这里也可以合理的参考历史数据，得出一个Historical LTV，即历史上已经发生了的某个客户的连续购买所带来的总利润额。）
所以LTV的相对准确的计算公式是：
（某个客户每个月的购买频次每次的客单价毛利率）*（1/月流失率）。其中的 1/月流失率是得出平均每个客户在该平台能够留存的总时长是多少月。
市场普遍认为 LTV>CAC的时候公司是有可能性的，LTV<CAC的时候模式是无意义的，而LTV/CAC=3的时候是公司最能健康发展的（小于3说明转化效率低，大于3说明在市场拓展上还太保守）。

最后，PBP的意思是花出去的用户获取成本可以在多长时间内回本。如果忽略PBP（回收期），哪怕LTV>CAC公司也可能会出问题。一般市场上认为PBP在一年以内为佳，因为LTV的计算是可以长达5-10年的，但现金流和融资压力却是逐年累积的，PBP越短，越有利于公司的现金流和再投入，也能减轻公司的融资压力等。之前市场上很多玩家就是只关注LTV和CAC，却忽略了PBP，所以在市场变动期就会处于比较尴尬的境地。
在市场好的时候，投资人更关注潜在的LTV，在市场不好的时候，则会希望PBP越短越好。作为创业者，可以在不同的时期有不同的侧重点，但请务必确认这个侧重点是在你摸清所有可能性和后果的前提下做出的，每个创业者都需要有一套最基本的创业理论，并在运营公司的时候与融资的时候用其武装自己。
创业也许是一门艺术，但那也一定是建立在科学的基础之上的。这是42章经（ID：MyFortyTwo）发的本系列文章的第一篇，后续还会为大家介绍Cohort Analysis（留存率分析），Total Addressable Market（市场空间的量化计算），Net Promoter Score（衡量用户满意度指标）等一系列创投必备知识的定义和使用方式。每一个创业者都应该对这些指标和概念如数家珍，这都是公司的立命之本，而且很大概率上也是每天需要观测的数据、内部设定的KPI与后续融资投资机构必看的数字。

（二）：Cohort Analysis

一）公司的经营数据真的像你想的一样好吗？
A和B两家公司都是做化妆品电商的平台，他们几乎在同一时间启动公司，在各自的公司运作半年以后，作为同行他们坐到一起交流数据和经营心得。

“我们前半年一共有20000个用户注册了。”A公司说。
“我们前半年一共有30000个用户注册！”B公司说。
那么，A和B两家公司谁经营的更好呢？（注册用户数高的公司，获取新用户做的更好）

“我们的20000个注册里可是有18000个下单用户。”A公司说。
“我们的30000个注册里下单的只有15000个。”B公司说。
A好还是B好？（下单用户数高的公司，注册到下单的转化过程做的更好）

“但是这18000个前半年下过单的客户在上个月还下单的只有5000个了。”A公司说。
“我们的15000个里上个月还在下单的有10000个。”B公司说。

A好还是B好？（在最近一个月下单用户数高的，能说明留存做得好吗？）

“我们留下的这5000个都是最早几个月就获取的还在继续下单的客户。”A公司说。
“我们这10000个下单的都是上个月最新获取的客户。”B公司说。
A好还是B好？

实际情况是，A公司的新增做的不如B公司，而B公司的留存做的不如A公司。那么作为创业者或投资人，如果非要选择的话，A公司是优于B公司的。因为在一家早期公司，产品和用户留存的重要性是优于其他的，如果留存做的足够好，只要掌握了用户增长的方式方法，那么总能够厚积薄发。但如果只有增长、没有留存，那很可能永远都抓不住用户的痛点，最后什么都不剩。就好像B公司，一共18000个下过单的用户，上个月剩下10000个，但这10000个又都是上个月刚刚新增的下单用户，那么很可能发生的情况是，到了再下个月，这10000家也不见了。而A公司至少还会持续的有5000左右的下单用户。

如上图，蓝色为合理的留存变化，最终平缓的维持在一个水平，而红色为非常糟糕的需要尽快改变的情况，随着时间的延长，所有的客户都会流失。结合我们在系列一(“早知道这些我的公司就不会死”系列（一）：CAC、LTV、PBP - Everything about a startup - 知乎专栏)中提到的，前一种的LTV（用户终身价值）要比后一种，不知道高到哪里去了。

当然，这里基本只考虑了用户获取和留存的情况，实际上如果真的要比较两家公司，还有更多的交易数据维度等。比如每个客户的客单价是多少，采购频次如何，交付时间多长等等（根据上面我们分析的数据，想想看，客单价高就真的一定更好吗？是否可能有某几家客单价几万，而剩下的客单价几块的情况？）。
所以数据是会骗人的，尤其是平均数据（真实世界会有用户每个月下单2.5次吗？很可能是两个分别下单1次和4次的客户而已），一个中等的平均的用户画像其实完全是用数据创造出来的虚幻的形象。要真正从数据层面掌握一家公司的情况，就要把数据不断地分组和细分，而投资人最常用的一个分析工具就叫做“Cohort Analysis”（分组分析或同期群分析）。
Cohort其实是一个组群的意思，所以Cohort Analysis就是分组分析。而在创投圈里，最常用到的一种Cohort Analysis就是按照不同时期进入的用户，分别考察其后续的行为情况（比如分别统计第一个月、第二个月、第三个月……获取的新客户在后续几个月的下单情况），所以又可以叫做同期群分析。

二）使用Cohort Analysis剖析你的数据
在中文互联网世界里，详细介绍Cohort Analysis的文章少得可怜，而这个工具又是最常用、最易用、最必用的工具，所以下面就给大家具体介绍该如何理解和使用它。

上图是一个最典型的Cohort Analysis表格。其中第一列为自然月份的排列（按照月份为维度一般是投资人会看的时间长度，建议创业公司内部都按照周为维度来监测数据），第二列为对应每个自然月的新增用户数，右侧的表格为当月新增的用户数在后续每个月的留存情况。比如1月公司新增用户80个，在当月流失2个剩余78个（流失和留存的定义每个公司都可能不同，根据不同定义，也可能第一个月的留存都是100%），在2月又流失了3个还剩下75个，以此类推。所以比如3月份的总下单用户数是261，其实是由1月新增还剩下的72个，2月新增还剩下的86个，和3月刚刚新增的103个组成的。
上图是根据第一个表格中的留存数据计算的留存率。这里可以注意到，图2把图1的表格左右倒置了一下，而且这里表格中的时间从1月、2月、3月……改为了0、1、2……第一张表格中的1月、2月等为自然月，而这里则是间隔的月份。0代表当月，1代表1个月之后，以此类推。所以根据这张表格：
1）横向比较，可以看出每月新增用户在后续各月的留存率情况。
2）纵向比较，可以看出不同月份新增用户，分别在当月、下个月、下下个月等的留存表现如何。
对应这两点一家好的公司应该看到的趋势是：
1）横向的留存数据最终会在某个月份之后停留在一个固定的留存率上，比如某个月获取的100个用户，在半年后每个月的留存率都稳定在60%，这就说明这批用户是稳定留存下来的，不然如果留存率是一直下降的（哪怕下降的速度很慢），也会在之后的某个月份归零，也就是说不管新增多少用户，最终都一个都剩不下。
2）纵向的留存数据应该是越来越好的。因为公司和创始团队应该不断的根据历史情况改进产品和体验等，所以越后加入的用户，应该能享受到越好的产品和服务，后续几个月的留存率就应该更高。
对比以上两点和表格中的数据，可以看到我们上面用来举例的这家公司做的还不足够好。
上图是根据留存数据转化的流失率的表格，和留存率唯一不同的地方是，这个数据是根据前一个月的数据分别计算的流失率。比如我们留存率的表格中，1月新用户在0个月的时候的留存率是97.5%，1个月之后的留存率是93.75%，而上图中的流失率分别是2.5%和3.75%（而不是6.25%）。这样组织数据可以让我们更好的看到具体每个月的流失率的情况，也可以知道是哪个月做的最有问题。
上面就基本说清了用户相关的Cohort Analysis该如何做，根据Cohort分析我们可以更好的知道一家公司具体的运营情况，而且是分组的有时间延展性的。你可以看到每月的新增用户数量的变化情况（是否在合理增长？），不同月份新增用户在后续每个月的留存情况（留存率是否合理？是否有某个月的数据反常？比如可能某个月的新增渠道改变，造成新增用户的质量有差异，所以后续每月的流失率都下降更快），每个月的流失率情况（是否某个月因为做了什么动作而造成历史用户的流失率大幅上升？）等等。如果只看当月的总用户情况，那么上述这些问题都会被掩盖，尤其是新增用户数量大的时候，表面看起来公司用户是在增长，但很可能全都是靠新增用户拉动的。
在42章经（ID：MyFortyTwo）公号内回复关键字“Cohort”（并给本文点赞吧 :P）可下载包括上述三张表格的Cohort Analysis的模板，只要加入不同的初始数据就可以直接得到留存率、流失率的分月结果。（Credit to Christoph Janz）

三）进阶版Cohort Analysis
Cohort Analysis用于用户分析的情况基本在上面已经说清了，但其实根据分组分析的特性，Cohort Analysis还有非常多其他的用法。
比如对于一般公司来说，当月的收入其实可以拆为：总下单用户数每个用户的下单次数单次的客单价。（比如当月有300个用户下单，平均每个客户下单3次，平均单次客单价100元，那么当月总收入就是90000元）这篇文章看到这里，以后每次看到“平均”两个字，你就应该警惕了。那么多客户，平均3次和100元，但实际上不同客户的情况呢？这里就也可以用Cohort Analysis来判断。比如1月获取的客户，在1月下单的次数是2次，2月下单的次数是3次，3月下单的次数是4次，那么在cohort表格中，我们就可以用下单次数来替换留存率和流失率所对应的位置。
于是就得出上方表格所示的情况。同理，客单价也是可以分别对应到不同的位置，就不再赘述了。所以，通过不同维度的Cohort Analysis，你可以看到用户随着留存时间的增加，是否与平台建立了更深的关系？每个用户是否会购买更多地次数，或每次是否会购买更多的金额？这样，最终每个月的销售额都可以被分解到非常细的维度。
而且，除了按不同时间获取的客户来分类，还可以按照不同的行为分类，比如表格的第一列可以是当月app浏览时间超过10小时的用户，也可以是参与某种优惠活动的客户等等，而右侧表格可以监测该用户群体的各种行为情况，比如参与了优惠活动的客户在后续几个月的留存是否会更高？下单金额是否会更高？等等。总之，左侧是按照某种定义区分的用户群体，右侧是这些用户可被监测的某种动作。
所以，只有真正掌握了Cohort Analysis，才能够对公司真实的运营情况有更好的了解，而为了更好地使用Cohort Analysis，从一开始的数据监测和组织结构就要做好准备。就像开尔文所说的：
“If you cannot measure it, you cannot improve it.”
你不能监测的东西，也无从改善。